Učenje v realnem času, podprto s tehnologijo 5G, v trajnostnem kmetijstvu: Študija o sladkorni pesi

Z veseljem sporočamo uspešen zaključek projekta “Omrežja 5G kot orodje za učenje v realnem času v trajnostnem kmetijstvu”, ki ga delno financira Ministrstvo za gospodarstvo, industrijo, podnebne ukrepe in energijo zvezne dežele Severno Porenje-Vestfalija.

Ta pobuda predstavlja pomemben korak naprej pri raziskovanju transformativnega potenciala tehnologije 5G v kmetijstvu, zlasti s ciljem izboljšanja ekoloških, ekonomskih in trajnostnih vidikov gojenja sladkorne pese.

Izkoristil je nizko zakasnitev 5G za integracijo naprednih informacijskih sistemov v realnem času, kar je omogočilo takojšen odziv na podatke senzorjev in položaja v vnaprej določenih časovnih okvirih.

Osredotočenost projekta in partnerstvo

V sodelovanju s partnerji pri HSHL in s podporo podjetja Pfeifer & Langen se je projekt osredotočil na preučevanje celotnega življenjskega cikla gojenja sladkorne pese na poljih, ki pripadajo partnerjem. Njegov cilj je bil prikazati, kako bi lahko 5G služil kot ključni tehnološki katalizator v kmetijskem sektorju Severnega Porenja-Vestfalije, in predstavil njegov potencial kot gonilne sile za inovacije in učinkovitost.

Vloga GeoPard Agriculture

GeoPard Agriculture je imel ključno vlogo pri opredelitvi in izvajanju ključnih vidikov projekta, vključno s scenariji za zaznavanje, spremljanje in napovedovanje proizvodnje rastlin. Razvili smo prototip sistema umetne inteligence, prilagojenega za kmetijsko okolje 5G, izvedli modele znotraj oblačne infrastrukture in ustvarili mobilno aplikacijo za interakcijo v realnem času z modeli v oblaku.

Tehnološka integracija

Metode umetne inteligence (UI) so bile uvedene prek robustne infrastrukture v oblaku z visokimi računalniškimi zmogljivostmi. Algoritmi UI so rastline med vsakim križanjem v realnem času kategorizirali in spremljali njihovo rast skozi celoten življenjski cikel, s čimer so odpravili potrebo po nepotrebnih obiskih na terenu zgolj za zbiranje podatkov.

Ta napredek je omogočil natančno uporabo gnojil in sredstev za zaščito pridelkov, dinamično prilagajanje odmerkov med križanjem s pomočjo algoritmov strojnega učenja.

Uporaba brezpilotnih vozil

Poleg tega je projekt izkoristil zmanjšano zakasnitev 5G za uporabo brezpilotnih vozil za spremljanje rastlin in zbiranje podatkov. Ta vozila so igrala ključno vlogo pri zbiranju vpogledov v realnem času in nadaljnji optimizaciji kmetijskih praks.

Rezultati projekta: Izboljšanje pridelave sladkorne pese s tehnologijo 5G

Projekt je z analizo celotnega življenjskega cikla gojenja sladkorne pese pokazal, kako bi lahko tehnologija 5G služila kot transformativni dejavnik v kmetijskem sektorju Severnega Porenja-Vestfalije, pri čemer je poudaril znatne izboljšave, ki jih omogoča tehnologija 5G. Vendar pa so raziskovalci za učinkovito predstavitev rezultatov projekta uporabili delovne pakete, ki vsebujejo različne scenarije in infrastrukture.

Opredelitev scenarija ob upoštevanju obstoječih geopodatkov in infrastrukture strojnega učenja

Projekt je pokazal, kako bi lahko tradicionalne procese v življenjskem ciklu pridelave sladkorne pese izboljšali z integracijo tehnologije 5G. Ključni cilji so bili:

• Razvili smo scenarije, ki so pripravljeni za izvedbo, za prepoznavanje, spremljanje in napovedovanje proizvodnje rastlin.
• Določene tehnične zahteve, potrebne za uspešno uvedbo teh scenarijev.
• Opredelili in ocenili ustrezne ekološke in ekonomske kazalnike za oceno dodane vrednosti, ki jo prinaša omrežje 5G.

Ta faza je poudarila zavezanost projekta k integraciji najsodobnejše tehnologije z obstoječimi kmetijskimi praksami. Ta arhitektura je izkoristila visokohitrostno povezljivost omrežja 5G za lažje zbiranje in obdelavo podatkov v realnem času med robnimi napravami in oblakom. Oblačna infrastruktura je zagotavljala bistvene vire za usposabljanje in uvajanje obsežnih modelov umetne inteligence, medtem ko je platforma umetne inteligence ponujala robustna orodja za razvoj in uvajanje modelov. Aplikacijska plast je končnim uporabnikom predstavila uporabne vpoglede, pridobljene iz modelov umetne inteligence, in tako izboljšala zmožnosti odločanja.

Strojno učenje in umetna inteligenca v kontekstu 5G

Osrednji cilj tega dela je bil prilagoditi obstoječe sisteme strojnega učenja in umetne inteligence, da bi se uskladili z zgoraj opisanimi scenariji, in jih ustrezno optimizirati. Ključni cilji so bili:

• Določite cilje sistema in razvijte njegovo arhitekturo
• Zbrani podatki o stvarnosti za učenje in potrjevanje modelov umetne inteligence.
• Vzpostavljena in označena ustrezna baza podatkov, prilagojena za identifikacijo in spremljanje rastlin.
• Modeli umetne inteligence so bili brezhibno integrirani v omrežno infrastrukturo 5G.

V tej fazi so ključno vlogo igrale robne naprave, opremljene s SIM-karticami mobilnih telefonov, ki uporabljajo tehnologijo 5G. Pozorno so spremljali ključne kazalnike uspešnosti (KPI), kot sta latenca ali latenca od konca do konca (E2E). Meritve so vključevale oceno zanesljivosti in razpoložljivosti natančno prejetih podatkovnih paketov ter analizo hitrosti prenosa uporabnikov in najvišjih hitrosti prenosa.

Poleg tega so bile predpostavke postavljene na podlagi pretakanja videa v ločljivosti UHD v formatu MP4, ki se prenaša prek protokola za nadzor prenosa (TCP). Med možnimi rešitvami so bile optimizacija z eno samo sliko namesto z neprekinjenimi video tokovi, izvajanje osnovnih optimizacij neposredno na robnih napravah in implementacija tehnik kvantizacije modelov za povečanje učinkovitosti.

Oblačna infrastruktura in storitve AWS

Projekt se je močno zanašal na oblačno infrastrukturo, ki je izkoriščala storitve AWS, kot so Lambda, SageMaker, S3, CloudWatch in RDS, ki so imele ključno vlogo pri zagotavljanju potrebnih virov za usposabljanje in uvajanje modelov umetne inteligence.

Za učinkovito upravljanje instanc in streženje aplikacij je bil uporabljen AWS Lambda, medtem ko je AWS SageMaker olajšal gradnjo robustnih cevovodov strojnega učenja. Rešitve za shranjevanje, kot so S3, CloudWatch in RDS, so bile bistvene za shranjevanje naborov podatkov in dnevnikov, ki so ključni za delovanje modelov strojnega učenja in nevronskih mrež.

Zato je ta infrastruktura podpirala zmogljivosti obdelave podatkov v realnem času, ki jih omogoča omrežje 5G.

Zakasnitev omrežja 5G

Omrežja 5G so bila zasnovana za doseganje izjemno nizke latence, ki se običajno giblje od 1 do 10 milisekund. Ta latenca je odražala čas, potreben za potovanje podatkov med mobilnimi napravami in strežniki AWS prek omrežja 5G. Na latenco so vplivale tudi zmogljivosti obdelave, specifične za napravo, kot je hitrost zajemanja in obdelave fotografij na pametnih telefonih z visokozmogljivimi procesorji.

Hitrosti nalaganja podatkov v omrežju 5G in velikost fotografije sta vplivali na čas prenosa podatkov v AWS. AWS je dodatno prispeval k zakasnitvi pri časih obdelave za naloge, kot sta zaznavanje in segmentacija na podlagi nevronskih mrež, ki so se razlikovali glede na kompleksnost algoritma in učinkovitost storitve AWS. Po obdelavi so bili rezultati preneseni nazaj v mobilne naprave, na kar sta vplivala hitrost prenosa 5G in velikost rezultatov.

Prepoznavanje rastlin z uporabo umetne inteligence

Na področju prepoznavanja rastlin so procesi, ki jih poganja umetna inteligenca, vključevali ustvarjanje obsežne baze podatkov slik rastlin za algoritme učenja, ki temeljijo na nevronskih mrežah. Ti algoritmi so bili usposobljeni za razlikovanje vrst sladkorne pese od drugih rastlin s prepoznavanjem značilnosti, značilnih za to določeno vrsto rastline, kot so oblike listov, barve cvetov itd.

Tukaj s prepoznavanjem rastlin mislimo na nalogo odkrivanja plevela in segmentacije rastlin sladkorne pese.

• Zaznavanje plevela

Za zaznavanje plevela je projekt uporabil MobileNet-v3, ki je bil usposobljen z obsežnimi dopolnjevanji podatkov in uteženim vzorčenjem. Ta model je dosegel impresivno natančnost 0,984 in AUC 0,998.

• Segmentacija sladkorne pese

Za naloge segmentacije so bili uporabljeni modeli, kot so YOLACT, ResNeSt, SOLO in U-net, za natančno razmejitev posameznih vzorcev sladkorne pese znotraj slik. Nato je bil na podlagi različnih meril: hitrosti, časa sklepanja itd. izbran najučinkovitejši model. Podatki za segmentacijo so bili pridobljeni iz slik RGB, posnetih z dronom, ki so bile spremenjene v velikost in označene za namene učenja in validacije.

Naloge segmentacije so vključevale ustvarjanje mask, ki so natančno določale meje rastlin. Ta metoda je zmanjšala človeški napor pri označevanju, hkrati pa optimizirala učinkovitost. Z dajanjem prednosti označevanju zahtevnih vzorcev se je delovanje modela znatno izboljšalo. Strategije iterativnega preučenja in vzorčenja negotovosti so se izkazale za učinkovite, saj so dosegle stopnje natančnosti segmentacije, ki so presegle 98% v različnih fazah rasti.

• Vrednotenje modela

Model je bil usposobljen z uporabo strogih dopolnil podatkov. Model je bil ovrednoten z uporabo različnih metrik, vključno s presečiščem nad unijo (IoU). Analiza sklepanja za zgrajeni model, izvedena na podmnožici iz nabora podatkov ‘sadnice rastlin v2’, je pokazala natančnost 81%. Čas sklepanja je po 7-sekundnem inicializacijskem obdobju, ki je potrebno le enkrat na sejo, trajal približno 320 milisekund.

Pri spremljanju rastlin, ki ga poganja umetna inteligenca (UI), so kamere in senzorji zajemali ključne podatke o rastlinah, ki so jih analizirali strojno učenje in algoritmi UI. Ta analiza je imela ključno vlogo pri ocenjevanju zdravja rastlin, odkrivanju stresa, bolezni ali drugih dejavnikov, ki vplivajo na rast.

Uporaba se je razširila od optimizacije kmetijske produktivnosti do spremljanja naravnih ekosistemov, kot so gozdovi, pomoči pri prizadevanjih za ohranjanje narave in izboljšanja razumevanja vplivov na okolje.

Zaznavanje objektov pri spremljanju obratov

Naslednja faza po segmentaciji rastlin sladkorne pese je zaznavanje objektov, katerega cilj je razumevanje posebnosti vsake rastline glede zdravja, rasti in drugih dejavnikov. Za zaznavanje objektov pri spremljanju rastlin so bili uporabljeni napredni modeli, kot so YOLOv4, MobileNetV2 in VGG-19 z mehanizmi pozornosti. Ti modeli so analizirali segmentirane slike sladkorne pese, da bi zaznali specifična območja stresa in bolezni, kar je omogočilo natančne in ciljno usmerjene intervencije.

Projekt je dosegel pomembne mejnike pri odkrivanju bolezni, saj je učil modele ResNet-18 in ResNet-34, predhodno usposobljene na ImageNetu. Ti modeli so pokazali impresivno natančnost 0,88 pri prepoznavanju bolezni, ki prizadenejo rastline sladkorne pese, s površino pod ROC krivuljo (AUC) 0,898. Modeli so pokazali visoko napovedno zanesljivost in natančno razlikovali med obolelimi in zdravimi rastlinami.

Projekt je uporabil sistematičen pristop k odkrivanju bolezni, pri čemer je slike segmentiral v standardizirane zaplate. Te zaplate so bile natančno označene z interaktivnimi orodji za natančno določitev območij, ki jih je prizadela bolezen. Zaznavanje objektov je dodatno povečalo natančnost z označevanjem omejevalnih okvirjev okoli rastlin, kar je omogočilo natančno spremljanje zdravja rastlin.

Napoved rastlinske proizvodnje

Na področju napovedovanja rastlinske pridelave so modeli umetne inteligence za napovedovanje pridelka uporabili okoljske podatke, kot so vremenske razmere in parametri tal. Uporabljeni so bili regresijski modeli, kot so izolacijski gozd, linearna regresija in grebenska regresija.

Ti modeli so integrirali numerične značilnosti, pridobljene iz območij omejevalnega okvira, skupaj s podatki o tleh za optimizacijo uporabe gnojil.

Premisleki o uvajanju modela

Strategije uvajanja razvitih modelov so bile ovrednotene tako za robne naprave kot za oblačne platforme. Uvajanje modelov na robne naprave je ponudilo prednosti, kot so nižji stroški in manjša latenca.

Vendar pa bi ta pristop lahko zaradi omejitev strojne opreme zmanjšal potencialno natančnost. Po drugi strani pa je uvedba v oblaku ponujala hitrejše čase sklepanja z uporabo visokozmogljivih grafičnih procesorjev, vendar bi lahko povzročila dodatne stroške in je bila odvisna od internetne povezave, kar bi lahko povzročilo komunikacijsko zakasnitev.

Primerjalna analiza z omrežjem 5G

Primerjalna analiza je pokazala, da je uporaba omrežja 5G znatno izboljšala segmentacijo sladkorne pese v primerjavi s tradicionalnimi nastavitvami 4G/WiFi. To izboljšanje se je pokazalo v krajšem povprečnem času nastavitve in omrežja, kar poudarja povečanje učinkovitosti, doseženo s tehnologijo 5G.

• Postopek priprave podatkov

Postopek priprave podatkov je vključeval zbiranje podatkovnih nizov zdravih in obolelih rastlin, odkrivanje plevela, prepoznavanje rastnih stopenj in ekstrakcijo slik iz 4K RAW videoposnetka. Za pripravo podatkov za analizo so bile uporabljene tehnike, kot so izenačevanje histograma, filtriranje slik in transformacija barvnega prostora HSV.

Zbrani so bili vzorci zdravih listov sladkorne pese in obolelih vzorcev, kot so koruzni listi s sivo listno pegavostjo. Ekstrakcija značilnosti bolezni je vključevala ločevanje listov od ozadja, spreminjanje velikosti, preoblikovanje in združevanje slik, da bi ustvarili realistične vzorce za analizo.

• Aktivna učna zanka

Aktivna učna zanka je bila sprožena z neoznačenimi podatki, ki so bili uporabljeni za učenje modelov zaznavanja. Ti modeli so ustvarili poizvedbe za opombe, ki so jih obravnavali človeški opomniki, s čimer so nenehno izboljševali natančnost modela z iterativnimi cikli učenja in opombe.

• Anotacija podatkov prek multimodalnega temeljnega modela

Projekt je pri reševanju izziva omejenih označenih podatkov izkoristil robustne temeljne modele za ustvarjanje anotacij o realnosti na terenu. Ključno vlogo je imel CLIP, model, ki temelji na transformatorju in ga je razvil OpenAI ter je bil usposobljen na obsežnem naboru podatkov z več kot 400 milijoni parov slike in besedila.

Z uporabo Vision Transformers kot ogrodje je CLIP dosegel izjemno natančnost 95% na validacijskih sklopih, pri čemer je slike z visoko natančnostjo učinkovito razvrstil v različne razrede, kot sta sladkorna pesa in plevel.

• Tehnologija dronov za zbiranje podatkov

Ena od ključnih tehnologij, uporabljenih v projektu, je bila uporaba dronov, opremljenih z RGB kamerami, ki so snemale 4K video. Ti droni so zagotavljali podrobne slike (ločljivost 3840 × 2160) za analizo.

Predhodna obdelava teh slik je znatno izboljšala natančnost modela, pri čemer so bile opažene opazne izboljšave pri modelih, kot so VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) in MobileNet (+6,6%).

Za izboljšanje kontrasta slike so bile uporabljene tehnike, kot je izenačevanje histograma, medtem ko je transformacija v barvni prostor HSV pomagala poudariti rastlinska območja in izpostaviti pomembne značilnosti.

• Generiranje sintetičnih podatkov

Za reševanje izziva omejenih slikovnih podatkov so bili s pomočjo strojnega učenja in umetne inteligence ustvarjeni sintetični nabori podatkov. Zbiranje podatkov je bilo izvedeno z droni, ki so leteli na višinah med 1 m in 4 m ter s hitrostjo 2 m/s ali več, pri čemer so bile uporabljene RGB kamere.

Za zbiranje podatkov so bila uporabljena tudi druga vozila, kot so traktorji. Ta sintetična pridobitev podatkov se je izkazala za še posebej koristno za odkrivanje bolezni sladkorne pese.

Zaključek

Projekt “Omrežja 5G kot omogočevalec učenja v realnem času v trajnostnem kmetijstvu” je uspešno pokazal, kako lahko tehnologija 5G izboljša ekološke, ekonomske in trajnostne vidike gojenja sladkorne pese. S sodelovanjem s HSHL in Pfeifer & Langen je projekt integriral zbiranje podatkov v realnem času in analizo, ki jo poganja umetna inteligenca, s čimer je izboljšal učinkovitost in zmanjšal nepotrebne obiske na terenu.

Namensko kampusno omrežje 5G je omogočilo natančno uporabo gnojil in sredstev za zaščito pridelkov. Geopard Agriculture je imel ključno vlogo pri razvoju scenarijev za zaznavanje in spremljanje rastlin ter pri ustvarjanju prototipa sistema strojnega učenja za kmetijsko okolje 5G. Uspeh projekta je poudaril pomen naprednih tehnologij v trajnostnem kmetijstvu in poudaril potencial 5G za spodbujanje inovacij in učinkovitosti.